Dòng Nội dung
1
Phân loại tin tức thật và giả bằng mô hình BERT : Khóa luận Tốt nghiệp chuyên ngành Trí tuệ nhân tạo / Nguyễn Trọng Hào; Hà Minh Tân hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
xi; 74 tr. : hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 302.232
Nghiên cứu nhằm triển khai mô hình BERT để phân loại các bài báo thành hai loại: tin thật và tin giả. Đề tài tập trung vào việc sử dụng mô hình ngôn ngữ tiên tiến để đánh giá tính xác thực của các bài báo, với mục tiêu cải thiện độ chính xác trong phân loại tin tức trên môi trường mạng xã hội và các trang báo trực Nghiên cứu này sử dụng mô hình BERT, một trong những mô hình xử lý ngôn ngữ tự nhiên tiên tiến để giải quyết vấn đề phân loại tin tức, nhờ vào khả năng hiểu ngữ cảnh của văn bản nhằm phân loại tin tức chính xác hơn, đặc biệt trong việc nhận diện các thông tin sai lệch. Nghiên cứu này không chỉ xây dựng và triển khai mô hình BERT mà còn mong muốn nâng cao nhận thức về vấn đề tin tức giả, từ đó đóng góp vào việc phát triển các giải pháp hiệu quả nhằm chống lại thông tin sai lệch trong tương lai.
 Số bản sách: (1) Tài liệu số: (1)
2
Phân tích sự tương đồng ngữ nghĩa bằng mô hình Bert : Khoá luận tốt nghiệp chuyên ngành Trí tuệ nhân tạo / Bùi Đức Tài, Trần Châu Thanh Thiện hướng dẫn
Tp. Hồ Chí Minh : Trường Đại học Nguyễn Tất Thành, 2024
ix, 50 tr. : hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 006.35
Ứng dụng mô hình BERT để phân tích sự giống nhau về ngữ nghĩa giữa các câu. Phương pháp này không chỉ xác định mức độ tương đồng ngữ nghĩa giữa các câu mà còn hỗ trợ xây dựng các hệ thống ứng dụng tự động như tìm kiếm ngữ nghĩa, phát hiện sao chép ý tưởng, chatbot. Xác định tập trung vào các khía cạnh ngữ nghĩa trong câu để đạt được độ chính xác và hiệu quả trong phân tích độ tương đồng ngữ nghĩa tiếng Việt bằng mô hình BERT.Việc nghiên cứu và ứng dụng BERT vào phân tích tương đồng ngữ nghĩa có ý nghĩa quan trọng vì nó giúp tạo ra các mô hình có thể hiểu và diễn giải tốt ngữ cảnh, đáp ứng nhu cầu phát triển của các ứng dụng trí tuệ nhân tạo hiện đại.
 Số bản sách: (1) Tài liệu số: (1)
3
Phân tích sự tương đồng ngữ nghĩa bằng mô hình Bert : Khóa luận tốt nghiệp chuyên ngành Trí tuệ nhân tạo / Nguyễn Việt Cường; Bùi Tiến Đức hướng dẫn
Tp.Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
x, 51 tr. : hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 006.31
Nghiên cứu tập trung vào việc thiết kế một trang web với mục đích sử dụng mô hình Bert để phân tích sự tương đồng ngữ nghĩa. Semantic Similarity (tương đồng ngữ nghĩa) là một yếu tố quan trọng trong lĩnh vực xử lý ngôn ngữ tự nhiên (NPL) và trí tuệ nhân tạo. Đối với nhiều ứng dụng, việc hiểu được mức độ tương đồng ngữ nghĩa giữa các đoạn văn bản từ hoặc câu là cực kỳ quan trọng. Ví dụ trong công việc tìm kiếm thông tin, hệ thống cần phải hiểu được ý nghĩa thực sự của câu truy vấn và so sánh nó với các mục tiêu để đưa ra kết quả chính xác. Sức mạnh của Bert nằm ở việc huấn luyện mô hình trên lượng lớn dữ liệu ngôn ngữ tự nhiên để học được biểu diễn đặc trưng cho từng từ, từ đó ánh xạ được sự tương đồng ngữ nghĩa giữa các mẫu văn bản. Trang web được xây dựng nhằm hỗ trợ và đáp ứng nhu cầu người dùng trong việc so sánh đối chiếu các cặp câu thông dụng trong nhiều ngữ cảnh.
 Số bản sách: (1) Tài liệu số: (0)
4
Xây dựng mô hình đọc hiểu trên ngôn ngữ Tiếng Việt : Khóa luận tốt nghiệp chuyên ngành Trí tuệ nhân tạo / Tô Hoàng Minh Tiến; Trần Châu Thanh Thiện hướng dẫn
Tp.Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
XI, 47 tr. : biểu đồ ; 29 cm.
Ký hiệu phân loại (DDC): 006.31
Tập trung vào nghiên cứu và phát triển các mô hình Deep Learning nhằm cải thiện khả năng đọc hiểu trong ngôn ngữ Tiếng Việt. Xây dựng các mô hình thông minh có khả năng hiểu và trích xuất thông tin từ văn bản Tiếng Việt (Question -Answering). Nghiên cứu về mô hình Transformer, Bert và Robert, đây là các mô hình SOTA trong xử lý ngôn ngữ tự nhiên, khi nghiên cứu sâu vào nó thì sẽ dễ dàng hơn trong việc nghiên cứu các kiến trúc LLM khác.Và có kiến thức nền tảng của Transformers để xây dựng và phát triển mô hình đọc - hiểu. Xây dựng mô hình đọc hiểu ngôn ngữ: Huấn luyện mô hình học sâu với kiến trúc Transformers để đọc thông tin biểu diễn của câu ngữ cảnh, câu hỏi và đi qua các lớp phân phối xác suất để đưa ra những câu trả lời chính xác nhất.
 Số bản sách: (1) Tài liệu số: (0)